/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Базовая модель
swecha-gonthuka-asr
Библиотека
transformers
Опубликована
11 июл 2026

swecha-gonthuka-asr

Распознавание речиАудио → текст

Дообученная Wav2Vec2-модель преобразует речь на телугу в текст для транскрибирования и голосовых приложений.

15скачиваний за 30 дней0лайковвеса обновлены17 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель Nandini Papisetti, дообученная на базе Swecha Gonthuka ASR для распознавания речи на телугу. Она принимает аудио и преобразует его в текст; построена на архитектуре Wav2Vec2ForCTC и рассчитана на работу с речью на телугу. Модель предназначена для транскрибирования, голосовых приложений, задач доступности и исследований языковых технологий.

Дообучение выполнено на корпусе парных аудиозаписей и текстовых расшифровок на телугу; аудио в обучающих данных имело частоту 16 кГц. Модель доступна в формате safetensors и использует библиотеку Hugging Face Transformers. Лицензия — Apache-2.0.

Точность зависит от качества записи, а фоновый шум может ухудшать распознавание. Модель лучше всего подходит для речи на телугу.

Сценарии применения

  • транскрибирование записей на телугу
  • распознавание речи на телугу в голосовых приложениях
  • создание субтитров и текстовых расшифровок на телугу
  • преобразование речи на телугу в текст для задач доступности
  • исследования распознавания речи на телугу

Ограничения

Точность зависит от качества записи, а фоновый шум может снижать качество расшифровки. Модель лучше всего подходит для речи на телугу.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Telugu ASR Fine-Tuned Model

Overview

This repository contains a fine-tuned Automatic Speech Recognition (ASR) model for the Telugu language. The model is based on Swecha Gonthuka ASR and has been fine-tuned using a custom Telugu speech dataset consisting of paired audio recordings and transcriptions. The model converts spoken Telugu audio into Telugu text and is intended for speech transcription, accessibility, and language technology research.


Base Model

  • Model: swechatelangana/swecha-gonthuka-asr
  • Architecture: Wav2Vec2ForCTC
  • Framework: Hugging Face Transformers
  • Language: Telugu (te)

Fine-Tuning Dataset

The model was fine-tuned on a Telugu speech corpus containing:

  • Telugu audio recordings
  • Corresponding Telugu text transcriptions
  • Audio sampled at 16 kHz

Intended Uses

This model can be used for:

  • Telugu Speech-to-Text
  • Automatic Speech Recognition (ASR)
  • Voice-enabled applications
  • Telugu transcription
  • Language technology research

Usage

import librosa
import torch
from transformers import AutoProcessor, AutoModelForCTC

processor = AutoProcessor.from_pretrained(
    "nandinipapisetti/swecha-gonthuka-asr"
)
model = AutoModelForCTC.from_pretrained(
    "nandinipapisetti/swecha-gonthuka-asr"
)

audio, sr = librosa.load("sample.wav", sr=16000)
inputs = processor(
    audio,
    sampling_rate=16000,
    return_tensors="pt"
)

with torch.no_grad():
    logits = model(**inputs).logits

pred_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(pred_ids)[0]
print(transcription)

Training Details

ItemValue
Base ModelSwecha Gonthuka ASR
ArchitectureWav2Vec2ForCTC
FrameworkTransformers
LanguageTelugu
TaskAutomatic Speech Recognition

Limitations

  • Performance depends on recording quality.
  • Background noise may reduce transcription accuracy.
  • Best suited for Telugu speech.

Author

Nandini Papisetti AI/ML Intern • Swecha


Citation

If you use this model in your research or application, please cite this repository.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
493d3c3

0 моделей